论文部分内容阅读
【摘要】随着全球房地产风险的蔓延,有关其风险预警模型的相关研究得到了重视和发展。本文立足于BP神经网络的运行机理,通过对该模型算法的深入剖析,对房地产风险预警模型的结构、输入指标体系及预警表示方法进行详细地分解,最终提出了本研究有待完善的后续展望。
【关键词】BP神经网络;房地产风险;预警模型;构建
受美国房地产次贷危机的影响,我国的上海、北京、杭州等城市近年来不同程度地出现“房地产泡沫”现象。自今年年初以来,许多大中城市的房价开始出现跌落现象,房地产空置率上扬,融资渠道阻塞,继而引发整个金融市场出现紊乱。针对房地产风险危害的严重性,越来越多的学者把目光投向金融风险预测的研究中,力求通过对金融环境早期的预测、分析、鉴定,对金融市场各因素的变化情况透析,为未来经济现象作出前景预测,有效地规避潜在的金融风险。针对房地产风险预警模型的研究,先后有房地产景气指数模型(侍得广,2004)、自回归条件异方差模型(王慧敏,1998)和自回归滑动平均模型法、基于概率模式分类法、判别分析模型,以及我们这里要阐述的人工神经网络模型等。
1神经网络模型的界定
国际著名的神经网络研究专家,第一家神经计算机公司的创立者与领导人Hecht—Nielsen给人工神经网络下的定义就是:“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统,它通过对连续或断续的输入作状态相应而进行信息处理。”现代意义上对神经网络(特指人工神经网络)的研究一般认为从1943年美国芝加哥大学的生理学家W.S.McCulloch.和W.A.Pitts[1][2]提出M-P神经元模型开始,到今年已经六十多年了。自20世纪80年代以来,我国也逐渐掀起了研究神经网络的热潮,关于它的学术研究会议层出不穷。人工神经网络(ArtifialNeuralNetwork,简称ANN)又称为连接主义的人工智能或连接机制模型,是基于人们对人脑组织结构及运行机制的认识基础上所建立的仿真系统,即对自然或生物神经网络若干基本特征的模拟。人工神经网络将已观测到的数据作为输入向量,通过大量的样本模式试验该网络,从而得到不同的输出值,确定不同的输出阈值。大量样本模式试验好的神经网络即可作为一种预测工具。近年来,我国学者不断地把神经网络技术运用于经济预测和信用风险评估中,特别是对于信用风险的预测有着很好的实证研究基础,预测的精度也相对较高。由于神经网络模型可以被理解为一个多输入、单输出的非线性结构,比较适合处理房地产风险预警机制中输入数据量大、输入指标体系关联度复杂、输出表示形式单一的特点要求,因此,基于神经网络的房地产风险预警模型的研究浮出水面。
根据网络的连接结构,人们把神经网络分为前馈或前向(Feed-forward)型网络和反馈(Feedback)或回归(Recurrent)型网络。前馈型网络结构可以被理解为网络中的各个神经元接受前一层的输入,并把信息传输给下一层,即第i-1层的输出只与第i层的输入相连,输入与输出的节点与外界相连,其他中间层称为隐层。而反馈型网络的所有节点均可接受输入,并输出信息。
BP神经网络(Back-PropagationNetwork)是包含输入层、输出层和隐层的反向传播神经网络。通过反向的传播来校对预测的精确度。人们习惯上把BP神经网络称为多层神经网络,即通过多层次的连接权值修正的算法。该模型是一种多层网络的“逆推”学习算法。其基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。在正向与反向的传播过程中,对各权值和阈值进行自动的修正,直至达到稳定。
2BP神经网络在房地产风险预警中的优势体现
2.1由于神经网络是由大量的神经元相连所构成的网络,因此该网络具有高速的信息处理功能;面对房地产信息数据的变化,能够较快、较准确地进行数据的输入、反馈处理,得出相应的输出信号。
2.2在信息处理过程中,神经网络具有自身的适应调节功能,此功能可以避免人为经验知识和一些规律的影响,对于人为因素作用较强的权重可以弱化并修正其产生的误差。
2.3它是一种非线性的处理单元,加之整个的网络存储信息容量巨大,其对信息的处理不需要进行事前的假设;既有不确定性信息处理功能。
2.4面对环境信息复杂、推理规则不明确以及知识背景不清晰的各种情况,神经网络有能力判别、处理复杂的非线性关系问题和连续函数。当然,也可以识别、处理并归纳出在复杂的金融危机环境下对房地产业的发展前景进行一个较为准确、客观的判断。
3基于BP神经网络的房地产风险预警模型的构建体系
3.1基于BP神经网络的房地产风险预警模型的结构。
鉴于BP模型的双向传播原理,运用于房地产的预警机制中,要首先保证正向传播与反向传播的正常运行。首先,在正向输入过程中,要确认BP模型的输入指标。所采用的指标均能直接或间接地反映出房地产业的发展现状,并且指标的变化趋势能预测房地产业的发展前景。通过设置的网络结构和前一次迭代的权值和阈值从网络的输入层相后续的隐层及输出层输出。其次,在隐层的设置中,原则上具有足够多的隐含层能使可测函数更逼近真实。但是,对“足够多”具体定义为多少,这个还很难确定。对于比较复杂的非线性逼近问题,通常采用两层隐含单元的网络结构。最后,反映在输出的预警方式设置,要求预警方式简洁、明了,可以通过直观的信号反应或数据显示来表达一定的预警信息。特别需要提出的是,在输入指标确认的基础上,要进行大量的数据取证,以确定不同指标的权值。当然,权值的最终确定还需要BP模型的反向修正过程,不断地对权值和阈值进行修改,从最后一层向前计算设置的各权值对总误差的影响,以此作为修正的依据。最终在两个过程反复交替不断修正中误差达到最小化,权值和阈值也得到最终的确定。
3.2基于BP神经网络的房地产风险预警模型的输入指标确定。 在我国房地产发展的20多年历史中,有关房地产的统计指标虽然还存在许多不完善的地方,但进入90年代以后,反映房地产业发展的指标体系越来越完善。商品住宅销售面积、竣工面积、销售价格等指标建立起来了,同时,人均居住面积、非农业人口比重、城市人均可支配收入等指标也反映出房地产业的发展情况。除此之外,房地产开发投资金额、商品房施工、竣工、销售、空置面积等均对房地产的未来发展前景产生影响,也是其预警模型中重要的输入指标。有数据显示,随着本次金融危机的渗透,我国商品房空置面积已达到1.36亿平方米,同比增长15.3%,增幅比1-10月提高2.2个百分点。其中,空置商品住宅7084万平方米,同比增长22.9%。显而易见,商品房的空置面积也是房地产金融预警模型中必不可少的指标之一。
此外,地产公司的资金流信息也是我们关注的热点。有数据显示,当前地产公司普遍面临经营性现金流持续恶化和财务费用上升等问题。统计显示,2008年前三季度,86家房地产公司经营活动产生的现金流量净额为-371.87亿元;而前年同期,这一指标是-228.85亿元,同比减少143亿元。同时,2008年三季度,主流地产公司平均短期资金剩余为1.82亿元,而2007年三季度为18.41亿元;平均长期资金剩余为-35.91亿元,2007年三季度为-13.78亿元,可见,受金融危机的影响,地产公司长期与短期资金剩余都大幅度减少。
房地产业的资金来源情况直接影响其经营状况。据报道,2007年万科、保利、招商等13家开发商利用资产价格上涨之机从银行取得借款637亿元,增发融资196亿元。两项合计,13家开发商共圈钱833亿元,资产负债率呈现上升趋势。在如此高的资产负债率运营机制下,一旦开发商的资金链得不到充足的保证,必然会对房地产业造成极大的潜在危机。
综合上述,房地产金融预警模型指标主要包括三部分内容。其一,主要涉及地产业资金经营状况指标,包括企业的资产负债率指标、现金流指标、企业利润总额等指标。其二,主要涉及地产信息及大众购买需求情况,包括商品房销售面积、竣工面积、销售价格等指标;人均居住面积、城市人均可支配面积等指标。其三,主要涉及地产业与国民生产总值之间的比较,也就是更直观地反映地产业在当前经济环境中的地位和作用,包括地产业增加值与增加值占GDP比重、房地产增加值的增长速度指标、商品房投资额与GDP值相关系数指标等。
3.3基于BP神经网络的房地产风险预警模型的预警表示方法。
由于房地产预警系统的研究还处于初级阶段,对于警戒区间的界定还没有出台一个完善的方案。这里我们可以借鉴叶剑平、谢经荣主编的《房地产业与社会经济协调发展研究》中所介绍的系统化方法,引入多数原则、半数原则、少数原则、均数原则、人数原则和负数原则。由此,为了更直观地反映出预警的信号指示,我们把房地产预警模型的预警信号指示中增设了多个临界值。本房地产预警模型共设立四个临界值,分别为0、33%、50%、67%和85%,并赋予它们相对应的输出变量,即0、1、2、3、4。
通过此房地产预警模型所显示的不同输出变量,我们可以清晰地预测房地产的风险情况。当输出变量小于等于零时,则说明房地产业经营状况正常;如果输出变量介于零到1(含)之间,说明此时的房地产业经营状况出现波动;如果输出变量介于1到2(含)之间,说明房地产业出现轻度的金融风险;如果输出变量介于2到3(含)之间,说明房地产业存在中度风险;如果输出变量大于3,此时的房地产金融风险为重度险情,需要格外的关注。
4基于BP神经网络的房地产预警模型的未来拓展方向
在基于BP神经网络的房地产风险预警模型的构建中,我们不难发现,由于模型中变量太多,相关函数的确立相对复杂,都在不同程度上影响模型预警的精确度。当模型的影响因素较多且较模糊,或难以用复杂的函数式精确地预测结果时,由美国自动控制专家L.A.Zadeh提出的“模糊”理论将有可能作为BP神经网络模型的后续发展领域。
模糊控制理论是一种非线性的、智能控制理论。它的特点是擅长处理模糊信息和模糊变量,经过模糊逻辑处理,使控制器能够根据人的直觉和经验,得到控制结果。我们可以想象,人们是通过各种感官系统对外界的信息做出模糊的判断,并对判断的结果做出“好”、“坏”、“高”、“低”、“冷”、“热”等模糊的结论。也就是说人们通过已有的经验知识,对一些模糊的信息进行分析判断,从而完成模糊的结论,最后,人们又将模糊的结论转化为具体的控制信号,以完成当前具体的控制任务。这也就是模糊控制理论的基本操作思路。
模糊控制理论的引入对当前所建立的基于BP神经网络的房地产风险预警模型具有两大明显的改进:其一是模糊控制理论在没有精确的函数模型情况即可实现人工智能化的模糊控制,其输出的表达方式简单明了;其二是该控制理论不易受参数的变化而变化。针对基于BP神经网络的房地产风险预警模型数学模型难以获取、房地产动态特性不易掌握的特点,引入模糊控制理论将很好地规避以上缺点。
该系统有多种传感器,根据检测到的人均住房需求量、房地产价格、房地产销售收入和国内生产总值等,通过模糊脱离进一步决定预警的时间、方式和强度等。显然,此系统是一个多输入多输出的控制系统。
当然,模糊控制理论也有对房地产预警模型难于操纵的一面。模糊控制理论对操作人员的控制经验和相关知识要求较高;模糊控制中的稳定性问题还没有很好的解决途径。
5结束语
随着BP神经网络在实证领域研究的不断深入,基于BP神经网络的房地产风险预警模型的构建将从理论走向实践,真正对房地产金融风险起到预警作用。当然而该模型的构建还存在有若干有待完善的地方:需要修正的时间较长;模型中各输入指标权值的调整容易受阻;在正向与反向的训练过程中,由于该网络误差函数为多维空间的曲面,其底部是最小值点,以致于使训练无法逃出这一局部极小值。但是,不管怎样,基于BP神经网络的房地产预警模型必然会以它不可阻挡的优势在实践领域得到运用与完善。
参考文献
[1]许力.智能控制与智能系统[M].北京:机械工业出版社,2007.2
[2]焦扬等.BP神经网络模型的预测精度分析[J].
[3]谭刚.房地产的周期波动与景气指标[J].住宅与房地产,1996(12)
[4]陈万铭.关于建立房地产金融风险宏观监控指标体系的思考[J].中国房地产金融,2004(2)
[5]朱大奇,史慧.人工神经网络原理及应用[M].北京:科学出版社,2006.3
【关键词】BP神经网络;房地产风险;预警模型;构建
受美国房地产次贷危机的影响,我国的上海、北京、杭州等城市近年来不同程度地出现“房地产泡沫”现象。自今年年初以来,许多大中城市的房价开始出现跌落现象,房地产空置率上扬,融资渠道阻塞,继而引发整个金融市场出现紊乱。针对房地产风险危害的严重性,越来越多的学者把目光投向金融风险预测的研究中,力求通过对金融环境早期的预测、分析、鉴定,对金融市场各因素的变化情况透析,为未来经济现象作出前景预测,有效地规避潜在的金融风险。针对房地产风险预警模型的研究,先后有房地产景气指数模型(侍得广,2004)、自回归条件异方差模型(王慧敏,1998)和自回归滑动平均模型法、基于概率模式分类法、判别分析模型,以及我们这里要阐述的人工神经网络模型等。
1神经网络模型的界定
国际著名的神经网络研究专家,第一家神经计算机公司的创立者与领导人Hecht—Nielsen给人工神经网络下的定义就是:“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统,它通过对连续或断续的输入作状态相应而进行信息处理。”现代意义上对神经网络(特指人工神经网络)的研究一般认为从1943年美国芝加哥大学的生理学家W.S.McCulloch.和W.A.Pitts[1][2]提出M-P神经元模型开始,到今年已经六十多年了。自20世纪80年代以来,我国也逐渐掀起了研究神经网络的热潮,关于它的学术研究会议层出不穷。人工神经网络(ArtifialNeuralNetwork,简称ANN)又称为连接主义的人工智能或连接机制模型,是基于人们对人脑组织结构及运行机制的认识基础上所建立的仿真系统,即对自然或生物神经网络若干基本特征的模拟。人工神经网络将已观测到的数据作为输入向量,通过大量的样本模式试验该网络,从而得到不同的输出值,确定不同的输出阈值。大量样本模式试验好的神经网络即可作为一种预测工具。近年来,我国学者不断地把神经网络技术运用于经济预测和信用风险评估中,特别是对于信用风险的预测有着很好的实证研究基础,预测的精度也相对较高。由于神经网络模型可以被理解为一个多输入、单输出的非线性结构,比较适合处理房地产风险预警机制中输入数据量大、输入指标体系关联度复杂、输出表示形式单一的特点要求,因此,基于神经网络的房地产风险预警模型的研究浮出水面。
根据网络的连接结构,人们把神经网络分为前馈或前向(Feed-forward)型网络和反馈(Feedback)或回归(Recurrent)型网络。前馈型网络结构可以被理解为网络中的各个神经元接受前一层的输入,并把信息传输给下一层,即第i-1层的输出只与第i层的输入相连,输入与输出的节点与外界相连,其他中间层称为隐层。而反馈型网络的所有节点均可接受输入,并输出信息。
BP神经网络(Back-PropagationNetwork)是包含输入层、输出层和隐层的反向传播神经网络。通过反向的传播来校对预测的精确度。人们习惯上把BP神经网络称为多层神经网络,即通过多层次的连接权值修正的算法。该模型是一种多层网络的“逆推”学习算法。其基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。在正向与反向的传播过程中,对各权值和阈值进行自动的修正,直至达到稳定。
2BP神经网络在房地产风险预警中的优势体现
2.1由于神经网络是由大量的神经元相连所构成的网络,因此该网络具有高速的信息处理功能;面对房地产信息数据的变化,能够较快、较准确地进行数据的输入、反馈处理,得出相应的输出信号。
2.2在信息处理过程中,神经网络具有自身的适应调节功能,此功能可以避免人为经验知识和一些规律的影响,对于人为因素作用较强的权重可以弱化并修正其产生的误差。
2.3它是一种非线性的处理单元,加之整个的网络存储信息容量巨大,其对信息的处理不需要进行事前的假设;既有不确定性信息处理功能。
2.4面对环境信息复杂、推理规则不明确以及知识背景不清晰的各种情况,神经网络有能力判别、处理复杂的非线性关系问题和连续函数。当然,也可以识别、处理并归纳出在复杂的金融危机环境下对房地产业的发展前景进行一个较为准确、客观的判断。
3基于BP神经网络的房地产风险预警模型的构建体系
3.1基于BP神经网络的房地产风险预警模型的结构。
鉴于BP模型的双向传播原理,运用于房地产的预警机制中,要首先保证正向传播与反向传播的正常运行。首先,在正向输入过程中,要确认BP模型的输入指标。所采用的指标均能直接或间接地反映出房地产业的发展现状,并且指标的变化趋势能预测房地产业的发展前景。通过设置的网络结构和前一次迭代的权值和阈值从网络的输入层相后续的隐层及输出层输出。其次,在隐层的设置中,原则上具有足够多的隐含层能使可测函数更逼近真实。但是,对“足够多”具体定义为多少,这个还很难确定。对于比较复杂的非线性逼近问题,通常采用两层隐含单元的网络结构。最后,反映在输出的预警方式设置,要求预警方式简洁、明了,可以通过直观的信号反应或数据显示来表达一定的预警信息。特别需要提出的是,在输入指标确认的基础上,要进行大量的数据取证,以确定不同指标的权值。当然,权值的最终确定还需要BP模型的反向修正过程,不断地对权值和阈值进行修改,从最后一层向前计算设置的各权值对总误差的影响,以此作为修正的依据。最终在两个过程反复交替不断修正中误差达到最小化,权值和阈值也得到最终的确定。
3.2基于BP神经网络的房地产风险预警模型的输入指标确定。 在我国房地产发展的20多年历史中,有关房地产的统计指标虽然还存在许多不完善的地方,但进入90年代以后,反映房地产业发展的指标体系越来越完善。商品住宅销售面积、竣工面积、销售价格等指标建立起来了,同时,人均居住面积、非农业人口比重、城市人均可支配收入等指标也反映出房地产业的发展情况。除此之外,房地产开发投资金额、商品房施工、竣工、销售、空置面积等均对房地产的未来发展前景产生影响,也是其预警模型中重要的输入指标。有数据显示,随着本次金融危机的渗透,我国商品房空置面积已达到1.36亿平方米,同比增长15.3%,增幅比1-10月提高2.2个百分点。其中,空置商品住宅7084万平方米,同比增长22.9%。显而易见,商品房的空置面积也是房地产金融预警模型中必不可少的指标之一。
此外,地产公司的资金流信息也是我们关注的热点。有数据显示,当前地产公司普遍面临经营性现金流持续恶化和财务费用上升等问题。统计显示,2008年前三季度,86家房地产公司经营活动产生的现金流量净额为-371.87亿元;而前年同期,这一指标是-228.85亿元,同比减少143亿元。同时,2008年三季度,主流地产公司平均短期资金剩余为1.82亿元,而2007年三季度为18.41亿元;平均长期资金剩余为-35.91亿元,2007年三季度为-13.78亿元,可见,受金融危机的影响,地产公司长期与短期资金剩余都大幅度减少。
房地产业的资金来源情况直接影响其经营状况。据报道,2007年万科、保利、招商等13家开发商利用资产价格上涨之机从银行取得借款637亿元,增发融资196亿元。两项合计,13家开发商共圈钱833亿元,资产负债率呈现上升趋势。在如此高的资产负债率运营机制下,一旦开发商的资金链得不到充足的保证,必然会对房地产业造成极大的潜在危机。
综合上述,房地产金融预警模型指标主要包括三部分内容。其一,主要涉及地产业资金经营状况指标,包括企业的资产负债率指标、现金流指标、企业利润总额等指标。其二,主要涉及地产信息及大众购买需求情况,包括商品房销售面积、竣工面积、销售价格等指标;人均居住面积、城市人均可支配面积等指标。其三,主要涉及地产业与国民生产总值之间的比较,也就是更直观地反映地产业在当前经济环境中的地位和作用,包括地产业增加值与增加值占GDP比重、房地产增加值的增长速度指标、商品房投资额与GDP值相关系数指标等。
3.3基于BP神经网络的房地产风险预警模型的预警表示方法。
由于房地产预警系统的研究还处于初级阶段,对于警戒区间的界定还没有出台一个完善的方案。这里我们可以借鉴叶剑平、谢经荣主编的《房地产业与社会经济协调发展研究》中所介绍的系统化方法,引入多数原则、半数原则、少数原则、均数原则、人数原则和负数原则。由此,为了更直观地反映出预警的信号指示,我们把房地产预警模型的预警信号指示中增设了多个临界值。本房地产预警模型共设立四个临界值,分别为0、33%、50%、67%和85%,并赋予它们相对应的输出变量,即0、1、2、3、4。
通过此房地产预警模型所显示的不同输出变量,我们可以清晰地预测房地产的风险情况。当输出变量小于等于零时,则说明房地产业经营状况正常;如果输出变量介于零到1(含)之间,说明此时的房地产业经营状况出现波动;如果输出变量介于1到2(含)之间,说明房地产业出现轻度的金融风险;如果输出变量介于2到3(含)之间,说明房地产业存在中度风险;如果输出变量大于3,此时的房地产金融风险为重度险情,需要格外的关注。
4基于BP神经网络的房地产预警模型的未来拓展方向
在基于BP神经网络的房地产风险预警模型的构建中,我们不难发现,由于模型中变量太多,相关函数的确立相对复杂,都在不同程度上影响模型预警的精确度。当模型的影响因素较多且较模糊,或难以用复杂的函数式精确地预测结果时,由美国自动控制专家L.A.Zadeh提出的“模糊”理论将有可能作为BP神经网络模型的后续发展领域。
模糊控制理论是一种非线性的、智能控制理论。它的特点是擅长处理模糊信息和模糊变量,经过模糊逻辑处理,使控制器能够根据人的直觉和经验,得到控制结果。我们可以想象,人们是通过各种感官系统对外界的信息做出模糊的判断,并对判断的结果做出“好”、“坏”、“高”、“低”、“冷”、“热”等模糊的结论。也就是说人们通过已有的经验知识,对一些模糊的信息进行分析判断,从而完成模糊的结论,最后,人们又将模糊的结论转化为具体的控制信号,以完成当前具体的控制任务。这也就是模糊控制理论的基本操作思路。
模糊控制理论的引入对当前所建立的基于BP神经网络的房地产风险预警模型具有两大明显的改进:其一是模糊控制理论在没有精确的函数模型情况即可实现人工智能化的模糊控制,其输出的表达方式简单明了;其二是该控制理论不易受参数的变化而变化。针对基于BP神经网络的房地产风险预警模型数学模型难以获取、房地产动态特性不易掌握的特点,引入模糊控制理论将很好地规避以上缺点。
该系统有多种传感器,根据检测到的人均住房需求量、房地产价格、房地产销售收入和国内生产总值等,通过模糊脱离进一步决定预警的时间、方式和强度等。显然,此系统是一个多输入多输出的控制系统。
当然,模糊控制理论也有对房地产预警模型难于操纵的一面。模糊控制理论对操作人员的控制经验和相关知识要求较高;模糊控制中的稳定性问题还没有很好的解决途径。
5结束语
随着BP神经网络在实证领域研究的不断深入,基于BP神经网络的房地产风险预警模型的构建将从理论走向实践,真正对房地产金融风险起到预警作用。当然而该模型的构建还存在有若干有待完善的地方:需要修正的时间较长;模型中各输入指标权值的调整容易受阻;在正向与反向的训练过程中,由于该网络误差函数为多维空间的曲面,其底部是最小值点,以致于使训练无法逃出这一局部极小值。但是,不管怎样,基于BP神经网络的房地产预警模型必然会以它不可阻挡的优势在实践领域得到运用与完善。
参考文献
[1]许力.智能控制与智能系统[M].北京:机械工业出版社,2007.2
[2]焦扬等.BP神经网络模型的预测精度分析[J].
[3]谭刚.房地产的周期波动与景气指标[J].住宅与房地产,1996(12)
[4]陈万铭.关于建立房地产金融风险宏观监控指标体系的思考[J].中国房地产金融,2004(2)
[5]朱大奇,史慧.人工神经网络原理及应用[M].北京:科学出版社,2006.3